위치: 능동적 진화는 LLM을 발전시키는 길이다

Position: Agentic Evolution is the Path to Evolving LLMs

대규모 언어 모델(LLM)이 정제된 학습 데이터 세트에서 벗어나 개방형 실세계 환경으로 이동함에 따라, 근본적인 한계가 드러납니다. 즉, 정적인 학습으로는 지속적인 배포 환경 변화에 맞춰 나아갈 수 없다는 것입니다. 학습 시간 및 추론 시간을 늘려 정적 성능을 향상시키는 것은 이러한 격차를 해소하지 못합니다. 우리는 이 한계를 극복하기 위해서는 새로운 확장 축, 즉 '진화'가 필요하다고 주장합니다. 기존의 배포 시간 적응 방법, 즉 파라미터 미세 조정 또는 휴리스틱 기반 메모리 누적은 실패를 진단하고 지속 가능한 개선을 이루는 데 필요한 전략적 능동성이 부족합니다. 우리는 능동적 진화가 LLM 적응의 필연적인 미래이며, 진화 자체를 고정된 파이프라인에서 자율적인 진화 에이전트로 발전시키는 것이라고 믿습니다. 우리는 이러한 비전을 일반적인 프레임워크인 A-Evolve로 구현했습니다. A-Evolve는 배포 시간 개선을 지속적인 시스템 상태에 대한 의도적이고 목표 지향적인 최적화 과정으로 취급합니다. 또한, 우리는 '진화 확장 가설'을 제안합니다. 즉, 적응 능력은 진화에 할당된 컴퓨팅 자원에 따라 증가하며, 능동적 진화는 실세계에서 지속적이고 개방적인 적응을 위한 확장 가능한 경로라는 것입니다.

As Large Language Models (LLMs) move from curated training sets into open-ended real-world environments, a fundamental limitation emerges: static training cannot keep pace with continual deployment environment change. Scaling training-time and inference-time compute improves static capability but does not close this train-deploy gap. We argue that addressing this limitation requires a new scaling axis-evolution. Existing deployment-time adaptation methods, whether parametric fine-tuning or heuristic memory accumulation, lack the strategic agency needed to diagnose failures and produce durable improvements. Our position is that agentic evolution represents the inevitable future of LLM adaptation, elevating evolution itself from a fixed pipeline to an autonomous evolver agent. We instantiate this vision in a general framework, A-Evolve, which treats deployment-time improvement as a deliberate, goal-directed optimization process over persistent system state. We further propose the evolution-scaling hypothesis: the capacity for adaptation scales with the compute allocated to evolution, positioning agentic evolution as a scalable path toward sustained, open-ended adaptation in the real world.